金融交叉销售

开篇：润墨网以专业的文秘视角，为您筛选了一篇金融交叉销售范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

每个金融企业都面临客户忠诚度和利润的剧烈挑战。如何在夹缝中求生存，交叉销售无疑是一条捷径

什么是交叉销售？简单说来，就是向拥有本公司A产品的客户推销本公司B产品。它有两大功能：

其一，可以增强客户忠诚度。如果客户购买本公司的产品和服务越多，客户流失的可能性就越小。来自银行的数据显示：购买两种产品的客户的流失率是55%，而拥有4个或更多产品或服务的流失率几乎是0。

其二，交叉销售也可以增加利润。实践证明，将一种产品和服务推销给一个现有客户的成本远低于吸收一个新客户的成本。来自信用卡公司的数据显示：平均说来，信用卡客户要到第三年才能开始有利润。由此可见，吸收新客户的成本是非常高的，而对现有客户进行交叉销售，也自然成为许多公司增加投资回报的捷径。

找产品

如何有效地进行交叉销售？寻找合适的产品自然是第一步。目前有两种方法：业务灵感和数据挖掘。

有些时候，业务灵感可以告诉公司，哪些产品需要进行交叉销售。比如，房屋贷款自然是向抵押贷款者推销的下一个产品。再比如，一个公司最近新开发了一个具有战略意义的产品，那么该产品本身就是一个交叉销售的好选择。

业务灵感的确是一个快速确定交叉销售产品的方法。但是，仅仅依赖业务灵感可能会丧失许多商机，因为在某些情况下，一些好的交叉销售产品并不是直观可见的。因此，如果要寻找那些潜在的交叉销售商机，有一个最好用的工具――数据挖掘。

链接分析是数据挖掘中的一种方法，它可以从历史数据中找到产品和产品之间的相关关系，从而产生出最恰当的交叉销售产品或服务。但是，链接分析的结果必须依赖业务知识来审核其准确性和价值，因此，在实际应用中，又常常将业务灵感和数据挖掘结合起来，以确定合适的交叉销售产品。

寻下家

一旦确定了要推销的产品，下面的问题是――推销给谁？

数据挖掘有很多方法都能帮助解决这个问题。而采用链接准则来进行客户定位，便是其中之一。

链接分析主要是了解不同产品之间同时或前后发生的购买关系，从而为捆绑销售或交叉销售提供有价值的建议。

链接分析起源于零售业，它的一个典型例子就是啤酒和尿布的故事。数据挖掘人员通过对交易数据的分析，发现啤酒和尿布同时购买的相关程度很高。再经进一步的调查发现，原来是有孩子的父亲在给自己购买啤酒时，也常会给自己刚出生不久的子女购买尿布。根据以上信息，超市人员便及时调整了物品的摆放结构，从而让客户的购买更加方便。目前，类似的数据挖掘技术也已在国外许多银行中广泛使用，针对既有客户推销不同的产品和服务。

一个链接准则通常包括“准则体”、“准则头”、“支持度”、“置信度”以及“提升度”。

下表便是一个采用IBM Intelligent Miner进行数据挖掘的案例：

这个准则说明：有28.5%的VISA金卡用户购买了房屋贷款，它的购买率是平均的10.7倍。这个准则的客户数目占总客户群的0.85%(关于准则的详细定义请参考IBM Intelligent Miner的说明书)。根据这个准则我们可以知道，将房屋贷款交叉销售给VISA金卡用户是一个很好的选择。

第二种方法就是应用分类模型对所有客户购买该指定产品的可能性进行预测，从而发现谁最有可能购买该产品。

第三种方法可以结合链接分析和分类预测，对准则体所筛选出来的客户进行预测。每一种数据挖掘方案都各有所长，至于什么方案最优，要根据实际应用和模型结果来确定。

销售过程

通常来讲，如果具备客户的产品购买信息，就可以应用链接分析的方法来了解产品和产品之间的相关程度，从而确定交叉销售的对象。链接分析将产生许多链接准则，如何从众多的准则中挑选出有意义的部分，这就需要业务知识和数据挖掘的结合。

从数据挖掘角度看，主要是选择那些提升度、置信度、和支持度都比较高的准则；从业务角度看，主要是对数据挖掘挑选出的准则进行评估，从而挑选出正确的和有价值的一些交叉销售链接准则。

在挑选完以后，那些在“准则体”中没有购买“准则头”的客户，就是潜在的客户。接下来，可以选择全部的潜在客户进行交叉销售，也可以采用数据挖掘中分类的方法进行评分，以便找出购买性大的客户，从而进一步提高购买率。

但是在有些情况下，我们可能不用去关心产品和产品之间的相关程度，而只需要从现有的客户中找出最有可能购买某指定产品的客户，并不限定这些客户是什么产品的客户。对于这种情形，我们直接应用分类模型就可以了。

对于指定产品A，我们将收集客户在购买A之前的背景信息和其它产品的交易数据。对于购买A的客户，可以将其赋值为1，而没有买A的客户，则可以将其赋值为0。

赋值完后，还要生成一系列的“集”，如：用于建模的训练集、用于测试的测试集以及用于应用的应用集。集合的生成可以采用时间窗口移动法或者随机采样法。

之后，便可以采用不同的分类方法(逻辑回归、神经网络、径向基函数、决策树等)进行建模，再由提升图来衡量模型的质量，最终来选择最佳预测模型进行实际应用。

在零售行业，因为利润和产品数量的密切相关，购买产品越多利润就越大，所以对于这类行业的交叉销售，只要采用上面的过程就可以了。

但是对于一些服务行业，比如银行业，由于有较大的日常维护和服务的开销，因此不是每个客户的每件产品都会有利润。如果银行在实施交叉销售一些产品后导致该客户的利润减少，将是一件“吃力不讨好”的事。如何避免这类事情的发生，一个好办法就是在挖掘过程中增加利润分析。

利润分析有很多思路。对于采用链接分析的方案，可以采用统计的方法来比较在购买产品前、后的利润变化情况，去掉那些在购买新产品后出现利润下降的交叉销售模式。对于分类模型，则可以在建模的时候只对那些购买了产品后出现利润增长的客户赋值为1，从而实现预测的目标导向有利润增长的交叉销售。再或者，可以另外建立一个利润预测模型，并将购买该产品的可能性和利润结合起来，从而选择那些可能性和利润都高的客户进行交叉销售。■

交叉销售:银行业实例

刘世平 姚玉辉/文

项目目的:该项目主要是为了提高市场营销的效率、增加营业收入以及加强银行和客户之间的关心，交叉销售以下产品：个人贷款(Credit Link)，信托基金(Unit Trust)，保险 (Insurance)，信用卡金卡(VISA和MasterCard)

项目范围:采用数据挖掘的方法对上述4种产品的购买性进行预测。

项目受益:项目的实施将更有效地推销这些产品；增强客户关系并产生更多收入,更少的市场活动成本,更少的客户流失。

算法应用:

用线性相关分析进行变量选择

用决策树进行变量选择和分类预测

链接分析

用神经网络进行分类

用径基函数进行分类

用逻辑回归进行分类

数据分布:本项目涵盖56万4521个个人用户，共有78万7621个个人户头。交易数据的时间从2000年1月1日到2001年3月31日。交易数据包括69个原始变量和801个转换变量。客户背景资料截止于2001年3月31日，它包括17个变量。

数据挖掘过程:该项目的流程如图1所示：首先进行的是客户背景资料和交易数据的收集和整理，剔除一些错误的或无效的数据。在数据整理完后，根据拟定好的数据处理规范书进行数据的处理工作，从而生成待挖掘的数据集合。

该项目同时采用前面论述的两种方案，一种采用链接分析，另一种直接应用分类模型。在分类模型训练前，都采用决策树或线性相关分析的方法进行变量选择。模型的结果最后根据提升图和业务知识进行综合评估以发现最佳，然后进行利润计算，以保证交叉销售的利润增长。

针对每个产品，还对客户进行描述分析，以了解该产品高可能性客户和低可能性客户的区别。在综合考虑了模型效果、描述分析结果以及业务要求后，最终生成客户名单以备市场部人员进行推销。（图1）

数据挖掘结果:以个人信贷产品(Credit Link) 的分类模型提升模型为例，它包括神经网络直接分类模型、逻辑回归直接分类模型、径基函数直接分类模型、决策树直接分类模型以及径基函数+链接分析模型。径基函数直接分类模型、决策树直接分类模型的效果最好。概率高的10%的客户可以“抓”到将近63%的购买者；也就是说，如果选择前10%进行交叉销售，它的购买率是不加任何分析的客户购买率的6.3倍。由此可见，数据挖掘的应用可以大大地提高市场销售的效率，从而用最小的成本获得尽可能大的回报。

结果应用：在完成利润计算后，剔除一些没有利润增加的产品客户，再综合考虑提升图的走势以及客户特性区别的拐点之后，便可以对客户进行选择和推荐了。最终，该项目的个人信贷客户数目为51,046个，信托基金的客户数目为55，759个，保险的客户数目55，959个，信用卡的客户数目为38，859个。